通过百度网盘分享的文件：工地项目
链接：https://pan.baidu.com/s/1pVxriAKKodwrcf_4Ou-OZg?pwd=n2rv
提取码：n2rv
--来自百度网盘超级会员V2的分享
YOLOv5训练自定义模型
YOLOv5需要安装pytorch、cuda、cudnn，可以参考我的环境搭建环境搭建
，如果已经安装过了，就不用重复安装了。
说明：
1、训练过程请参考官网：Train Custom Data · ultralytics/yolov5 Wiki · GitHub
2、本课使用的是YOLOv5 6.1版本，其他版本训练过程可能有不同，请以官网为准
3、硬件：Windows 10 、GPU GeForce 2060
一、安装Pytorch 及 YOLO v5
1.1 安装pytorch GPU版
1.1.1 准备工作
-
先去pytorch官网查看支持的CUDA版本；
-
建议配合TensorFlow官网一起参考，以便两个库都可以使用
-
pytorch
-
最新版：Get Started
-
历史版本：https://pytorch.org/get-started/previous-versions/安全帽检测https://pytorch.org/get-started/previous-versions/
-
-
-
Tensorflow ：
-
GPU支持CUDA列表：https://www.tensorflow.org/install/source_windows?hl=zh-cn
-
-
再查看所需CUDA版本对应的显卡驱动版本：
-
参考信息：
-
1. Why CUDA Compatibility — CUDA Compatibility
-
1. CUDA 12.9 Release Notes — Release Notes 12.9 documentation
-
CUDA Compatibility of NVIDIA Display / GPU Drivers | Amikelive | Technology Blog
-
-
-
下载显卡对应版本驱动：
-
最新版：Download The Official NVIDIA Drivers | NVIDIA
-
-
其他历史版本：Download The Official NVIDIA Drivers | NVIDIA
-
下载对应版本CUDA：
-
官网：CUDA Toolkit Archive | NVIDIA Developer
-
-
下载对应版本cuDNN
-
参考TensorFlow GPU支持CUDA列表：https://www.tensorflow.org/install/source_windows?hl=zh-cn
-
cudnn官网：CUDA 深度神经网络库 (cuDNN) | NVIDIA 开发者
-
-
下载VS studio：Visual Studio: 面向软件开发人员和 Teams 的 IDE 和代码编辑器
-
安装顺序：
-
VS studio：安装社区版即可
-
显卡驱动：安装完重启电脑可以使用
nvidia-smi查看显卡信息 -
CUDA：按流程安装即可
-
cudnn：
-
解压cudnn压缩文件：
-
-
-
进入cuda目录，将cudnn所有文件复制并替换
-
如我的cuda目录位置为：
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.1
-
-
更改环境变量：
-
双击path
-
-
新建2个路径（cuda bin、libnvvp）
-
如我的路径为：
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.1\bin和C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.1\libnvvp
-
-
重启电脑
1.1.2 安装pytorch
创建conda虚拟环境，参考你选择的版本安装即可
-
最新版：Get Started
-
历史版本：https://pytorch.org/get-started/previous-versions/
如我的是pip install torch==1.8.1+cu101 torchvision==0.9.1+cu101 torchaudio==0.8.1 -f https://download.pytorch.org/whl/torch_stable.html
1.2 安装YOLO v5
-
安装
# 克隆地址
git clone https://github.com/ultralytics/yolov5.git
# 如果下载速度慢，参考课程附件：
Windows软件/yolov5-master.zip # 进入目录
cd yolov5
# 安装依赖
pip3 install -r requirements.txt-
下载预训练权重文件
下载地址：https://github.com/ultralytics/yolov5/releases，附件位置：Windows软件/yolov5s.pt，将权重文件放到weights目录下：
-
测试安装
python detect.py --source ./data/images/ --weights weights/yolov5s.pt --conf-thres 0.4
二、YOLO v5训练自定义数据
2.1 准备数据集
2.1.1 创建 dataset.yaml
复制yolov5/data/coco128.yaml一份，比如为coco_chv.yaml
# Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..]
path: ../datasets/CHV_dataset # 数据所在目录
train: images/train # 训练集图片所在位置（相对于path）
val: images/val # 验证集图片所在位置（相对于path）
test: # 测试集图片所在位置（相对于path）（可选）# 类别
nc: 6 # 类别数量
names: ['person','vest','blue helmet','red helmet','white helmet','yellow helmet'] # 类别标签名2.1.2 标注图片
使用LabelImg等标注工具（需要支持YOLO格式，LabelImg附件路径：Windows软件/labelImg.zip）标注图片：
YOLO格式标签：
-
一个图一个txt标注文件（如果图中无所要物体，则无需txt文件）；
-
每行一个物体；
-
每行数据格式：
类别id、x_center y_center width height； -
xywh必须归一化（0-1），其中
x_center、width除以图片宽度，y_center、height除以画面高度； -
类别id必须从0开始计数。
2.1.3 组织目录结构
-
datasets与yolov5同级目录； -
YOLO会自动将
../datasets/CHV_dataset/images/train/ppe_1106.jpg中的/images/替换成/labels/以寻找它的标签，如../datasets/CHV_dataset/labels/train/ppe_1106.txt，所以根据这个原则，我们一般可以：-
images文件夹下有train和val文件夹，分别放置训练集和验证集图片; -
labels文件夹有train和val文件夹，分别放置训练集和验证集标签(yolo格式）
-
2.2 选择合适的预训练模型
根据你的设备，选择合适的预训练模型，具体模型比对如下：
复制models下对应模型的yaml文件，重命名，并修改其中：
nc: 80 # 类别数量 如果是安全帽的话就改成62.3 训练
下载对应的预训练模型权重文件，可以放到weights目录下，设置本机最好性能的各个参数，即可开始训练，课程中训练了以下参数：
# yolov5n
python .\train.py --data .\data\coco_chv.yaml --cfg .\models\yolov5n_chv.yaml --weights .\weights\yolov5n.pt --batch-size 20 --epochs 120 --workers 4 --name base_n --project yolo_test# yolov5s
python .\train.py --data .\data\coco_chv.yaml --cfg .\models\yolov5s_chv.yaml --weights .\weights\yolov5s.pt --batch-size 16 --epochs 120 --workers 4 --name base_s --project yolo_test# yolov5m
python .\train.py --data .\data\coco_chv.yaml --cfg .\models\yolov5m_chv.yaml --weights .\weights\yolov5m.pt --batch-size 12 --epochs 120 --workers 4 --name base_m --project yolo_test# yolov5n6 1280
python .\train.py --data .\data\coco_chv.yaml --img-size 1280 --cfg .\models\yolov5n6_chv.yaml --weights .\weights\yolov5n6.pt --batch-size 20 --epochs 120 --workers 4 --name base_n6 --project yolo_test更多参数见train.py；
训练结果在runs/train/中可见，一般训练时间在几个小时以上。
2.4 可视化
2.4.1 wandb
YOLO官网推荐使用Weights & Biases。
-
使用
pip install wandb安装扩展包； -
去官网注册账号；
-
训练的时候填写
key秘钥，地址：Weights & Biases -
打开网站即可查看训练进展。
2.4.2 Tensorboard
tensorboard --logdir=./runs
2.5 测试评估模型
2.5.1 测试
Usage - sources:$ python path/to/detect.py --weights yolov5s.pt --source 0 # webcamimg.jpg # imagevid.mp4 # videopath/ # directorypath/*.jpg # glob'https://youtu.be/Zgi9g1ksQHc' # YouTube'rtsp://example.com/media.mp4' # RTSP, RTMP, HTTP stream# 如
python detect.py --source ./test_img/img1.jpg --weights runs/train/base_n/weights/best.pt --conf-thres 0.3
# 或
python detect.py --source 0 --weights runs/train/base_n/weights/best.pt --conf-thres 0.32.5.2 评估
# n
# python val.py --data ./data/coco_chv.yaml --weights runs/train/base_n/weights/best.pt --batch-size 12
# 4.3 GFLOPsClass Images Labels P R mAP@.5 mAP@.5:.95all 133 1084 0.88 0.823 0.868 0.479person 133 450 0.899 0.808 0.877 0.484vest 133 217 0.905 0.788 0.833 0.468blue helmet 133 44 0.811 0.75 0.803 0.489red helmet 133 50 0.865 0.9 0.898 0.425white helmet 133 176 0.877 0.807 0.883 0.467yellow helmet 133 147 0.922 0.885 0.917 0.543
Speed: 0.2ms pre-process, 4.7ms inference, 3.9ms NMS per image at shape (12, 3, 640, 640)# s
# python val.py --data ./data/coco_chv.yaml --weights runs/train/base_s/weights/best.pt --batch-size 12
# 15.8 GFLOPsClass Images Labels P R mAP@.5 mAP@.5:.95all 133 1084 0.894 0.848 0.883 0.496person 133 450 0.915 0.84 0.887 0.508vest 133 217 0.928 0.834 0.877 0.501blue helmet 133 44 0.831 0.75 0.791 0.428red helmet 133 50 0.9 0.899 0.901 0.473white helmet 133 176 0.884 0.858 0.91 0.496yellow helmet 133 147 0.908 0.905 0.93 0.567
Speed: 0.2ms pre-process, 8.3ms inference, 3.9ms NMS per image at shape (12, 3, 640, 640)# m
# python val.py --data ./data/coco_chv.yaml --weights runs/train/base_m/weights/best.pt --batch-size 12
# 48.0 GFLOPsClass Images Labels P R mAP@.5 mAP@.5:.95all 133 1084 0.928 0.845 0.886 0.512person 133 450 0.935 0.794 0.895 0.529vest 133 217 0.922 0.813 0.868 0.508blue helmet 133 44 0.916 0.818 0.812 0.464red helmet 133 50 0.9 0.9 0.892 0.488white helmet 133 176 0.932 0.841 0.899 0.511yellow helmet 133 147 0.964 0.905 0.948 0.574
Speed: 0.4ms pre-process, 18.8ms inference, 4.6ms NMS per image at shape (12, 3, 640, 640)# n6 1280 ：
# python val.py --data ./data/coco_chv.yaml --weights runs/train/base_n6_1280/weights/best.pt --batch-size 12 --img-size 1280
# 4.3 GFLOPsClass Images Labels P R mAP@.5 mAP@.5:.95all 133 1084 0.906 0.858 0.901 0.507person 133 450 0.903 0.831 0.887 0.503vest 133 217 0.922 0.816 0.86 0.486blue helmet 133 44 0.843 0.795 0.828 0.465red helmet 133 50 0.899 0.92 0.954 0.507white helmet 133 176 0.921 0.865 0.925 0.515yellow helmet 133 147 0.947 0.918 0.954 0.566
Speed: 1.5ms pre-process, 14.1ms inference, 2.2ms NMS per image at shape (12, 3, 1280, 1280)三、得到最优的训练结果
参考：Tips for Best Training Results · ultralytics/yolov5 Wiki · GitHub
3.1 数据：
-
每类图片：建议>=1500张；
-
每类实例（标注的物体）：建议>=10000个；
-
图片采样：真实图片建议在一天中不同时间、不同季节、不同天气、不同光照、不同角度、不同来源（爬虫抓取、手动采集、不同相机源）等场景下采集；
-
标注：
-
所有图片上所有类别的对应物体都需要标注上，不可以只标注部分；
-
标注尽量闭合物体，边界框与物体无空隙，所有类别对应物体不能缺少标签；
-
-
背景图：背景图用于减少假阳性预测（False Positive），建议提供0~10%样本总量的背景图，背景图无需标注；
3.2 模型选择
模型越大一般预测结果越好，但相应的计算量越大，训练和运行起来都会慢一点，建议：
-
在移动端（手机、嵌入式）选择：YOLOv5n/s/m
-
云端（服务器）选择：YOLOv5l/x
3.3 训练
-
对于小样本、中样本，建议试用预训练模型开始训练
python train.py --data custom.yaml --weights yolov5s.ptyolov5m.ptyolov5l.ptyolov5x.ptcustom_pretrained.pt-
对于大样本，建议从0开始训练（无需预训练模型）：
# --weights ''python train.py --data custom.yaml --weights '' --cfg yolov5s.yamlyolov5m.yamlyolov5l.yamlyolov5x.yaml-
Epochs：初始设定为300，如果很早就过拟合，减少epoch，如果到300还没过拟合，设置更大的数值，如600, 1200等；
-
图像尺寸：训练时默认为
--img 640，如果希望检测出画面中的小目标，可以设为--img 1280（检测时也需要设为--img 1280才能起到一样的效果） -
Batch size：选择你硬件能承受的最大
--batch-size； -
超参数（Hyperparameters）：初次训练暂时不要改，具体参见Hyperparameter Evolution · Issue #607 · ultralytics/yolov5 · GitHub
-
更多：官网建议 查看A Recipe for Training Neural Networks
安全帽程序
在vscode中直接运行，演示效果如下：
后期将安排jstson nano运行安全帽代码
敬请期待
![[Windows] 千库/六图素材下载工具](https://i-blog.csdnimg.cn/direct/8d961e7d8669479d90e85e63720c8b54.png)
